碳交易试点的电力碳减排政策效应研究

王喜平，王素静

（华北电力大学 经济管理系，河北 保定 071003）

0 引言

为应对气候变暖等环境问题，《巴黎协定》以来各国提出了自主减排贡献方案，中国于2020年首次提出了争取2030年前“碳达峰”与2060年“碳中和”目标。为实现上述目标，作为最大碳排放源的电力行业必将成为碳减排重点关注领域。目前，电力CO2排放占能源消费CO2排放的41%，随着电气化水平大规模提升，将大幅减少对化石能源（煤、油、气）的直接使用，会使部分CO2排放从终端用能环节转移至电力，电力系统因而将承担更大的减排压力。在此背景下，研究电力碳排放的影响因素，分析碳交易试点对电力碳减排的作用与影响，不仅有助于有效控制电力碳排放，实现电力工业绿色低碳转型，而且对于推进全国碳交易市场建设、落实“减排国际承诺”具有重要意义。

国内外学者对电力碳排放影响因素进行了大量研究，从研究方法上，一些学者借助对数均值迪氏分解法（LMDI）进行研究。文献[1]基于LMDI对消费侧电力碳排放进行分解，认为发电量效应、化石能源转换效率和人均 GDP是造成电力工业碳排放差异的主要因素。文献[2-3]利用LMDI模型研究得出经济规模是促使电力碳排放增长的最主要因素。文献[4]运用 LMDI对1991～2009年间中国省域电力碳排放进行因素分解，同样认为经济活动效应是增加发电二氧化碳排放量的最重要因素，而发电效率效应对减少二氧化碳排放量起主导作用。文献[5]提出两阶段LMDI方法构建覆盖发电、输电、用电全产业链的LMDI分解模型，并认为人均GDP是导致电力碳排放增加的主要因素。文献[6]基于 LMDI对火电碳排放进行解构，认为火力发电二氧化碳排放量的变化可分解为能源结构效应、强度效应、能效效应、经济发展效应和人口效应。文献[7]利用Tapio脱钩模型对中国的解耦状态进行量化，然后利用LMDI方法和Kaya恒等式对解耦指标进行分解，认为能源强度和发电能耗促进了解耦，而经济规模和电气化是抑制解耦的两个主要因素。

除LMDI方法以外，也有学者基于STIRPAT模型对电力碳排放影响因素进行分析。文献[8]利用扩展的 STIRPAT模型分析了包括电力生产侧的供电煤耗、电力结构因素，以及需求侧的电耗强度因素，加上人均GDP、城市化水平和工业化率共 6项指标。文献[9]采用岭回归方法对扩展STIRPAT模型进行拟合研究表明，发电效率是CO2减排的决定性因素。文献[10]通过使用对数线性方程来解释 CO2排放量及其影响因素之间的关系，认为总用电量的增加是中国电力行业CO2排放增长的最重要因素。文献[11]运用Tapio解耦模型测算1985～2017年电力行业CO2排放的解耦指数，得出电力行业内CO2排放与经济发展的关系呈现同步性。文献[12]提出共同前沿生产理论分解分析（MPDA）模型，研究发现所有技术相关效应都降低了发电厂的排放但程度不同。文献[13]运用灰色关联分析法（GRA）对经济增长、城市化水平、总用电量、净煤耗率、火电装机容量等因素进行了识别和分析。

上述分析表明，有关电力碳排放影响因素的研究较为丰富，但立足于碳交易视角，研究碳交易试点对电力碳排放的影响效应却鲜见。碳排放权交易作为一种控制温室气体排放的有效市场手段，已在许多国家实施。我国自 2011年起也先后在北京、上海、天津、广东、深圳、武汉、重庆等7个省市进行试点，并于2017年12月启动全国统一碳交易市场建设。本文拟对碳交易试点在多大程度上能够促进电力碳减排展开研究，以中国省域电力碳排放为研究对象，着重从碳交易视角研究电力碳排放影响因素，将倾向得分匹配与双重差分方法相结合，研究碳交易政策对电力碳排放的影响效应，探索电力工业低碳发展路径，进而促进经济社会的绿色发展。

1 方法模型

本文将碳交易试点政策当作一次自然实验，通过比较试点省市和未试点省市电力碳排放的差异来研究碳交易政策的实施对电力碳排放的影响效应。若采用单差法来分析试点地区在碳交易政策实施前后的变化，容易产生随机误差。因此本文采用双重差分方法（DID）这一经典的政策评估模型，通过设置处理组和对照组来分析碳交易政策实施的净效应，能够在很大程度上减少内生性问题。为减少对样本选择的偏差和异质性偏差，进一步将倾向得分匹配和双重差分模型（PSM-DID）相结合，更加精准地识别碳交易政策对电力碳排放的影响效应。采用PSM方法对处理组和控制组进行匹配，能够解决多维匹配变量的数据稀疏问题，从而为处理组匹配到特征最为相似的控制组。

中国于2013年下半年开始陆续启动了北京、天津、上海、重庆、湖北、广东和深圳7个省市的碳交易试点。为保证研究范围的统一，将深圳合并到广东。所以本文处理组为：北京、天津、上海、重庆、湖北和广东共6个试点省份，其余24个非试点省份（除西藏、港澳台地区）为对照组。由于大部分试点省份碳交易完全启动是在2014年，因此本文以2014年为基准，将2014年之前定为非试点期，2014年及之后定为试点期。为防止遗漏变量，在模型中加入控制变量，得到模型（1）：

式中：lnCEit代表省份i在t年的电力行业碳排放量并取对数形式；Treati和Yt分别表示是否实行碳交易试点的省份和年份，Treati=1代表省份i为处理组，Treati=0代表省份i为对照组；当年份小于2014年时，Yt=0，反之Yt=1；交乘项的系数β1表示碳交易政策的净效应；Xj代表控制变量；βj为第j个控制变量的系数；λi和λt分别代表个体固定效应和时间固定效应；εit为随机干扰项。

为检验碳交易政策随时间推移而产生的边际动态效应，本文在模型（1）的基础上设立模型（2）：

式中：Treati表示碳交易试点地区在t年的虚拟变量；系数 βt表示 t年的边际动态效应。当省份 i为试点地区且年份在2014年及之后时，Treati为1，否则为0。

2 实证分析

2.1 变量选取与数据来源

以电力碳排放为被解释变量，以碳交易政策为核心解释变量，并基于STIRPAT模型和EKC模型选取城市化水平、经济发展水平、企业研发水平、产业结构、发电结构、电耗强度、环境规制、对外开放程度作为控制变量。选取的变量具体含义如下：

（1）被解释变量：电力碳排放（CE）。从电力行业内部运行来看，碳排放主要发生在火力发电的生产环节，本文采用IPCC提出的碳排放测算法，对火电生产消耗的 8种主要能源进行测算，来直观地衡量电力行业碳减排效果，计算公式如下：

（2）核心解释变量：碳交易政策（Treati×Yt）。当该省份为试点省份且Yt≥2014时，该省份对应的虚拟变量Treati×Yt为1，否则为0，其系数表示碳交易政策对电力碳排放的作用效果。

（3）控制变量：①城市化水平（UR），为城镇人口与总人口的比例。城市人口的增加会提高电能消耗水平，在一定程度上决定了电力消费需求或潜在电力需求。②经济发展水平（GDP），以2003年为基期计算实际人均GDP值并取对数，元/人，相比于GDP总量，人均GDP更能反映一个地区的整体富裕水平。③企业研发水平（RD），用各省市专利授权量来衡量，个，体现了一个地区整体的企业研发水平，会影响一个地区电力行业清洁生产和节能减排技术。④产业结构（IS），用第二产业增加值占国民生产总值中的比重来衡量，我国能源消费以第二产业为主且能源使用效率较低，因此第二产业仍然是碳排放的主要来源。⑤发电结构（EPS），以火力发电量与发电总量的比值来衡量，目前我国的电力结构以火力发电为主，核电、水电、新能源等占比较小，发电结构的优化一般会促使碳强度的下降。⑥电耗强度（ECI），以电力消费量与GDP的比值来衡量，（kW･h/元），反映了经济发展对电力行业的依赖程度，电耗强度的下降一般会使电力碳排放减少。⑦环境规制（EGI），用环境治理投资总额与GDP比值来表示，新《环境保护法》将环境规制提高到了一个更高的水平，说明环境规制在碳减排任务中的作用应当予以重视。⑧对外开放程度（OPEN），用进出口贸易总额与GDP的比值来表示。

本文以我国30个省市作为研究对象，数据来源于2003～2017年的《中国统计年鉴》《中国能源统计年鉴》《中国电力年鉴》《中国环境统计年鉴》，对所有变量均取对数处理，各变量的描述性统计见表1。采用Stata 16软件进行数据分析。文中数据*，**，***分别代表10%，5%，1%的显著水平。

表1 变量描述性统计Tab.1 Descriptive statistics of variables

2.2 平行趋势检验

双重差分方法的使用需要满足平行趋势假设，也就是要排除与碳交易政策无关的其他因素对电力碳排放的影响，保证在政策实施前处理组和对照组的电力碳排放变化趋势一致，为此本文绘制了处理组和对照组各省市电力碳排放的变化趋势，如图1所示。

图1 电力碳排放平行趋势Fig.1 Parallel trend of carbon emission of electric power

总体而言，在政策实施之前，处理组和对照组电力碳排放水平变化走向大致相同，都呈现波动上升趋势，全国电力碳排放总量由 2003年的14.8亿t上升至2017年的35.5亿t。从处理组和对照组之间的差值来看，二者差距逐渐扩大，从2003年的差值1 027万t到2017年的6 008万t。从图1可以明显看出，2013年以后，处理组和对照组之间的碳排放水平差距进一步扩大，处理组电力碳排放值明显下降更快，而实验组却没有明显变化，这是因为部分省份从2013年就开始实施碳交易试点政策，可见碳交易政策对电力碳排放水平影响显著。以上分析为本文的双重差分法提供了依据。

2.3 平均处理效应和边际动态效应

首先利用双重差分方法分析碳交易政策对电力碳排放的作用效果，根据模型（1），以电力碳排放取对数（lnCE）为被解释变量，碳交易政策（Treati×Yt）为核心解释变量，分别对不加入控制变量和加入控制变量两种情况进行回归，分析碳交易政策对电力碳排放的平均处理效应。为了避免地区差异以及时间效应对电力碳排放的影响，本文采用双向固定效应模型进行双重差分检验。从表2的第1列可以看出，交乘项的系数在1%水平下显著为负，说明在没有控制其他变量不变的情况下，碳交易政策的实施能够有效降低电力碳排放水平，与政策实施前相比，减少了38.9%的电力碳排放量。第2列显示加入控制变量后，交乘项的系数几乎没有变化且依然在1%水平下显著，由此可以得出，无论是否加入其他控制变量，碳交易政策的实施都对电力碳排放具有明显的抑制作用，能够减少约37.4%的电力碳排放量。

表2 DID估计结果Tab.2 DID estimation results

上述分析展现了碳交易政策对电力碳排放的平均处理效应，而碳交易政策是否对试点地区的电力碳排放水平具有持续的抑制作用还有待检验。对模型（2）进行回归，得到边际动态效应结果。从表2的第3列和第4列可以看出，无论是否加入控制变量，2014～2017年的交乘项都显著为负，这说明在2014年碳交易政策实施后的4年内，碳交易政策持续降低了试点地区的电力碳排放水平。此外，交乘项系数的绝对值逐年增大且显著性不断增强，可见碳交易政策不仅能够有效降低电力碳排放水平，而且时间越长，抑制作用越强。

从控制变量来看，大部分变量对电力碳排放的作用都比较显著。城市化水平对电力碳排放的影响在1%水平下显著为正，即对电力碳排放的增加具有推动作用。随着城市化水平的提高，导致生产和生活中的电力需求增加，进而增加电力行业碳排放量。经济发展水平的提高也是导致电力碳排放增加的重要因素，经济发展过程中电力能源投入不断加大必然会增加碳排放。企业研发水平对电力碳排放具有显著的负向影响，创新是电力工业绿色发展的重要引擎，企业研发水平提高可以促进电力行业清洁生产和节能减排技术的提升，从而提高发电效率，减少电力碳排放。产业结构对电力碳排放的影响为正，说明第二产业比重的增加会导致电力碳排放的增加，但是作用程度不大，我国能源消费主要集中在以工业为主的第二产业，能源使用效率较低，是电力碳排放压力的主要来源，产业结构变化对电力碳排放影响有限。发电结构的调整优化将会明显降低电力碳排放水平，虽然目前我国的电力结构仍以火力发电为主，但是核电、水电、新能源发电等多种发电方式在近年来已经取得显著成效，使得电力碳排放水平显著降低。电耗强度对电力碳排放的影响表现为显著的正向作用。电耗强度降低意味着经济发展对电力能源的依赖性减弱，也说明发电技术有所进步以及终端电能利用率提高，使得单位GDP产出消耗的电力能源更少，电力碳排放便会随之降低。环境规制在一定程度上具有抑制电力碳排放的作用，适当加强环境规制力度能够刺激电力行业技术改进，在改善环境质量的同时也可以提高产出。对外开放程度的提高对电力碳排放具有明显抑制作用，对外开放程度较高的地区，可以更多地引进电力生产技术，加快电力行业技术创新。

2.4 PSM-DID估计结果

在上述实证分析中，双重差分方法只是把处理组以外的其他地区作为对照组，没有严格满足双重差分法中的平行趋势假设，回归结果可能会与实际情况有所偏差。为保证回归结果的准确性，本文进一步采用PSM-DID方法进行回归分析。首先利用logit模型计算倾向得分，以地区虚拟变量为因变量，以城市化水平、经济发展水平、企业研发水平、产业结构、发电结构、电耗强度、环境规制、对外开放程度作为相应的匹配变量，回归结果如表3所示。从回归结果来看，准R2的值为0.554 8，说明这一系列匹配变量对因变量的解释程度较强，因此该数据适合进行倾向得分匹配。从变量显著性来看，大部分变量都比较显著，其中，城市化水平越高，企业研发水平越高，对外开放程度越高，越容易进入处理组。

表3 PSM的Logit回归结果Tab.3 Logit regression results of PSM

进一步根据表3的倾向得分，采用卡尺匹配法对处理组和对照组样本省份进行匹配，删掉匹配不成功的样本，利用双重差分法对所得数据重新进行估计，并对匹配前和匹配后的回归结果进行比较，如表4所示。

表4 PSM-DID作用下的回归结果Tab.4 Regression results under the action of PSM-DID

整体而言，交乘项的系数仍然为负且显著，说明本文的回归结果比较稳健，碳交易政策对电力碳排放具有明显的抑制作用，碳交易促进了电力行业低碳发展。但是系数的大小及显著程度发生了一定的变化。未加入控制变量时，匹配后交乘项的系数绝对值减小且显著性有所降低，而R2较匹配前有所增加，说明匹配后模型的整体解释程度更强。加入控制变量后，交乘项系数的绝对值有所增加，且城市化水平、经济发展水平、企业研发水平、发电结构、环境规制这些控制变量的显著性和绝对值明显增强，R2也随之增加，说明匹配后模型的解释能力更强，碳交易政策及一系列控制变量对电力碳排放始终具有显著的影响，且碳交易政策的实施使得这种作用效果更加显著。综上，PSM-DID方法增强了研究结果的准确性。

2.5 稳健性检验

以上分析表明碳交易政策能够有效抑制电力碳排放。为保证DID回归结果的稳健性，降低估计偏差，本文采用不同方法进行稳健性检验。方法一是增加控制变量。由于处理组和对照组样本省份各方面的条件本身存在较大差异，在选择试点对象时容易产生内生性问题，因此为排除试点省份的选择对估计结果的影响，本文在原有控制变量的基础上，再加入能源强度（lnENI）、发用电比例（lnEGU）、人口数量（lnPS），并分别取对数形式，回归结果见表5第1列。同时考虑到其他政策可能对试点省份本身具有更大冲击，例如“十二五”规划的影响，可能导致试点省份本身执行效果更好而使得估计结果有所偏差，因此将时间跨度改为 2010～2017年，回归结果见表 5第2列。可以看出，无论是加入控制变量还是改变时间跨度，交乘项系数仍然在1%的水平下显著为负。方法二是进行反事实检验。即通过随机抽样法选取6个样本省份作为处理组，构建一个新的碳排放交易试点政策的虚拟变量，同样采用双重差分方法进行回归分析。如果新构建的碳交易政策虚拟变量仍然显著，说明本文的回归结果值得怀疑，反之则说明本文得出的结论较为稳健。分别进行了3次抽样，回归结果见表5第3～5列。显然，这3列中交乘项的系数均不显著，因此也可以证实本文结论具有稳健性。

表5 稳健性检验Tab.5 Robustness test

3 结论

本文以我国省域电力行业作为研究对象，首先运用IPCC提出的碳排放计算法，得出试点省份和非试点省份的电力碳排放量。在此基础上，以电力碳排放为被解释变量，碳交易政策为核心解释变量，并以城市化水平、经济发展水平、企业研发水平、产业结构、发电结构、电耗强度、环境规制及对外开放程度这8个变量作为控制变量，运用PSM和DID方法研究碳交易政策对电力碳排放的影响效应，主要结论如下：

（1）我国电力行业碳排放量总体呈上升趋势，全国电力碳排放总量由2003年的14.8亿t上升至2017年的35.5亿t，各地区之间电力碳排放水平差异较大，碳排放交易试点省份平均水平明显低于非试点省份，且二者之间差距逐渐扩大。

（2）碳交易政策对电力碳排放具有明显的抑制作用，且时间越长，抑制作用越强。在考虑控制变量的影响下，碳交易政策的实施能够使电力碳排放水平降低37.4%。

（3）城市化水平、经济发展水平、发电结构、电耗强度是导致电力碳排放增加的重要因素，而企业研发水平、对外开放水平、环境规制能够显著抑制电力碳排放的增长，产业结构对电力碳排放的影响作用有限。

基于本文得出的结论，提出以下建议：

（1）建设和完善全国碳交易市场，充分发挥碳交易政策对电力碳减排的促进作用。通过补贴等方式吸引更多市场主体参与到碳交易中来，同时要保证价格、供求和竞争等机制平稳运行。其次，碳市场的目标设置和配额分配要给电力行业发展预留一定空间，在满足电力需求的同时又能激励企业采取节能降碳措施。此外，配额分配要充分保障煤电的可持续发展，同时又要考虑到区域能源资源禀赋和能源布局的差异。

（2）转变经济增长方式，走可持续发展道路。大力发展低碳产业，限制部分高耗能产业发展，推进绿色低碳的新型城市化进程。此外，要加强环境规制，包括征收排污费、环保税等手段，以实现经济与环境的协调发展。

（3）鼓励电力行业技术创新，提升企业研发水平。注重电力行业清洁生产和节能减排技术的提升，加大对绿色环保企业的支持力度，增加科技研发投入。此外，要加大对外开放水平，引进先进技术和高素质人才，通过科技进步与创新推动电力生产设备更新换代。